ai-agents-for-beginners

मायक्रोसॉफ्ट एजंट फ्रेमवर्कची ओळख

Agent Framework

परिचय

हा धडा खालील विषयांचा आढावा घेईल:

शिक्षणाचे उद्दिष्टे

हा धडा पूर्ण केल्यावर, तुम्हाला खालील गोष्टी माहित असतील:

कोड नमुने

Microsoft Agent Framework (MAF) साठी कोड नमुने या संचिकामध्ये xx-python-agent-framework आणि xx-dotnet-agent-framework फाइल्समध्ये मिळू शकतात.

मायक्रोसॉफ्ट एजंट फ्रेमवर्क समजून घेणे

Framework Intro

Microsoft Agent Framework (MAF) मायक्रोसॉफ्टचा एकसंध फ्रेमवर्क आहे जे एआय एजंट तयार करण्यासाठी वापरले जाते. हे उत्पादन आणि संशोधन वातावरणातील विविध एजंटिक वापर प्रकरणे हाताळण्यासाठी लवचिकता देते, ज्यात समाविष्ट आहे:

उत्पादनात एआय एजंट प्रदान करण्यासाठी, MAF मध्ये खालील वैशिष्ट्ये देखील आहेत:

मायक्रोसॉफ्ट एजंट फ्रेमवर्क खालील बाबींवरही लक्ष केंद्रीत करते:

चला पाहूया कसे या वैशिष्ट्यांचा मायक्रोसॉफ्ट एजंट फ्रेमवर्कच्या काही मुख्य संकल्पनांवर उपयोग केला जातो.

मायक्रोसॉफ्ट एजंट फ्रेमवर्कच्या मुख्य संकल्पना

एजंट्स

Agent Framework

एजंट तयार करणे

एजंट तयार करणे म्हणजे इन्फरन्स सेवा (LLM प्रदाता), एआय एजंटसाठी पाळावयाच्या सूचनांचा संच, आणि एक वाटप केलेले नाव यांचे निर्धारण करणे:

agent = AzureOpenAIChatClient(credential=AzureCliCredential()).create_agent( instructions="You are good at recommending trips to customers based on their preferences.", name="TripRecommender" )

वरील कोड Azure OpenAI वापरत आहे परंतु एजंट विविध सेवांचा वापर करून तयार करता येतात ज्यामध्ये Microsoft Foundry Agent Service देखील आहे:

AzureAIAgentClient(async_credential=credential).create_agent( name="HelperAgent", instructions="You are a helpful assistant." ) as agent

OpenAI चे Responses, ChatCompletion API

agent = OpenAIResponsesClient().create_agent( name="WeatherBot", instructions="You are a helpful weather assistant.", )

agent = OpenAIChatClient().create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

किंवा MiniMax, जे मोठ्या संदर्भ विंडोज (204K टोकनपर्यंत) सह OpenAI-सुसंगत API प्रदान करते:

agent = OpenAIChatClient(base_url="https://api.minimax.io/v1", api_key=os.environ["MINIMAX_API_KEY"], model_id="MiniMax-M2.7").create_agent( name="HelpfulAssistant", instructions="You are a helpful assistant.", )

किंवा A2A प्रोटोकॉल वापरून रिमोट एजंट:

agent = A2AAgent( name=agent_card.name, description=agent_card.description, agent_card=agent_card, url="https://your-a2a-agent-host" )

एजंट चालवणे

एजंट्स .run किंवा .run_stream पद्धतीने गैर-स्ट्रीमिंग अथवा स्ट्रीमिंग प्रतिसादांसाठी चालवले जातात.

result = await agent.run("What are good places to visit in Amsterdam?")
print(result.text)

async for update in agent.run_stream("What are the good places to visit in Amsterdam?"):
    if update.text:
        print(update.text, end="", flush=True)

प्रत्येक एजंट रनमध्ये एजंट वापरले जाणारे max_tokens, कॉल करू शकणारी tools, आणि वापरले जाणारे model यांसारख्या परिमाणांची सानुकूलता देखील असू शकते.

हे त्या परिस्थितींमध्ये उपयुक्त आहे जिथे विशिष्ट मॉडेल किंवा साधन वापरणे आवश्यक आहे.

साधने (Tools)

एजंट तयार करत असताना साधने परिभाषित केली जाऊ शकतात:

def get_attractions( location: Annotated[str, Field(description="The location to get the top tourist attractions for")], ) -> str: """Get the top tourist attractions for a given location.""" return f"The top attractions for {location} are." 


# ChatAgent थेट तयार करताना

agent = ChatAgent( chat_client=OpenAIChatClient(), instructions="You are a helpful assistant", tools=[get_attractions]

आणि एजंट चालवताना देखील:


result1 = await agent.run( "What's the best place to visit in Seattle?", tools=[get_attractions] # फक्त या रनसाठी उपकरण प्रदान केले आहे )

एजंट थ्रेड्स

एजंट थ्रेड्स बहु-परतावा संभाषण हाताळण्यासाठी वापरल्या जातात. थ्रेड तयार करता येतो:

थ्रेड तयार करण्यासाठी कोड असे दिसतो:

# नवीन थ्रेड तयार करा.
thread = agent.get_new_thread() # थ्रेडसह एजंट चालवा.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

त्यानंतर थ्रेड नंतरच्या वापरासाठी सिरीअलाइझ केली जाऊ शकते:

# एक नवीन थ्रेड तयार करा.
thread = agent.get_new_thread() 

# थ्रेडसह एजंट चालवा.

response = await agent.run("Hello, how are you?", thread=thread) 

# संग्रहासाठी थ्रेड सीरियलाईज करा.

serialized_thread = await thread.serialize() 

# संग्रहातून लोड केल्यानंतर थ्रेडची स्थिती डीसीरियलाईज करा.

resumed_thread = await agent.deserialize_thread(serialized_thread)

एजंट मिडलवेयर

एजंट साधने आणि LLM शी संवाद साधून वापरकर्त्याच्या कार्य पूर्ण करतात. काही परिस्थितींमध्ये, संवादातील क्रिया ट्रॅक किंवा अंमलात आणण्यासाठी मिडलवेयर वापरतो. एजंट मिडलवेयरद्वारे हे शक्य होते:

फंक्शन मिडलवेयर

हा मिडलवेयर एजंट आणि फंक्शन/टूल यांच्यातील क्रियेच्या दरम्यान एक क्रिया करण्यास परवानगी देतो. उदाहरणार्थ, फंक्शन कॉलवर काही लॉगिंग करणे.

खालिल कोडमध्ये next हा पुनरावृत्ती मिडलवेयर किंवा प्रत्यक्ष फंक्शन सांगतो की कोणाला कॉल करायचे.

async def logging_function_middleware(
    context: FunctionInvocationContext,
    next: Callable[[FunctionInvocationContext], Awaitable[None]],
) -> None:
    """Function middleware that logs function execution."""
    # पूर्व-प्रक्रिया: फंक्शन अंमलबजावणीपूर्वी लॉग करा
    print(f"[Function] Calling {context.function.name}")

    # पुढील मिडलवेअर किंवा फंक्शन अंमलबजावणीसाठी पुढे जा
    await next(context)

    # नंतर-प्रक्रिया: फंक्शन अंमलबजावणी नंतर लॉग करा
    print(f"[Function] {context.function.name} completed")

चॅट मिडलवेयर

हा मिडलवेयर एजंट आणि LLM दरम्यानच्या विनंत्यांमध्ये एक क्रिया अंमलात आणण्याची किंवा लॉगिंग करण्याची परवानगी देतो.

यामध्ये AI सेवा कडे पाठवले जाणारे messages यांसारखे महत्त्वाचे माहिती असते.

async def logging_chat_middleware(
    context: ChatContext,
    next: Callable[[ChatContext], Awaitable[None]],
) -> None:
    """Chat middleware that logs AI interactions."""
    # पूर्व प्रक्रिया: AI कॉल करण्यापूर्वी लॉग करा
    print(f"[Chat] Sending {len(context.messages)} messages to AI")

    # पुढील मिडलवेअर किंवा AI सेवेकडे पुढे जा
    await next(context)

    # पोस्ट-प्रोसेसिंग: AI प्रतिसादानंतर लॉग करा
    print("[Chat] AI response received")

एजंट मेमरी

Agentic Memory धड्यात सांगितल्याप्रमाणे, मेमरी एजंटला विविध संदर्भांवर ऑपरेट करण्यास मदत करणारा महत्त्वाचा घटक आहे. MAF मध्ये वेगवेगळ्या प्रकारच्या मेमरीज दिल्या आहेत:

इन-मेमरी स्टोरेज

या मेमरीचा संग्रह थ्रेड्समध्ये अनुप्रयोगाच्या रनटाइम दरम्यान होतो.

# एक नवीन थ्रेड तयार करा.
thread = agent.get_new_thread() # थ्रेडसह एजंट चालवा.
response = await agent.run("Hello, I am here to help you book travel. Where would you like to go?", thread=thread)

सतत असलेली संदेशे

ही मेमरी विविध सत्रांदरम्यान संभाषण इतिहास जतन करण्यासाठी वापरली जाते. हे chat_message_store_factory वापरून परिभाषित केले जाते:

from agent_framework import ChatMessageStore

# सानुकूल संदेश संग्रह तयार करा
def create_message_store():
    return ChatMessageStore()

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a Travel assistant.",
    chat_message_store_factory=create_message_store
)

डायनामिक मेमरी

ही मेमरी एजंट चालवण्याच्या आधी संदर्भात जोडली जाते. ही मेमरी बाह्य सेवांमध्ये जसे mem0 मध्ये साठवली जाऊ शकते:

from agent_framework.mem0 import Mem0Provider

# प्रगत स्मृती क्षमतांसाठी Mem0 वापरणे
memory_provider = Mem0Provider(
    api_key="your-mem0-api-key",
    user_id="user_123",
    application_id="my_app"
)

agent = ChatAgent(
    chat_client=OpenAIChatClient(),
    instructions="You are a helpful assistant with memory.",
    context_providers=memory_provider
)

एजंट निरीक्षणीयता

एजंट प्रणाली विश्वसनीय आणि देखभाल करण्यायोग्य बनवण्यासाठी निरीक्षणीयता महत्त्वाची आहे. MAF OpenTelemetry सह समाकलित आहे ज्यामुळे ट्रेसिंग आणि मीटरिंगद्वारे चांगली निरीक्षणीयता मिळते.

from agent_framework.observability import get_tracer, get_meter

tracer = get_tracer()
meter = get_meter()
with tracer.start_as_current_span("my_custom_span"):
    # काहीतरी करा
    pass
counter = meter.create_counter("my_custom_counter")
counter.add(1, {"key": "value"})

वर्कफ्लोज

MAF वर्कफ्लोज ऑफर करते ज्या पूर्वनिर्धारित टप्प्यांमधून कार्य पूर्ण करण्यात मदत करतात आणि त्या टप्प्यांमध्ये एआय एजंट घटक म्हणून असतात.

वर्कफ्लोज विविध घटकांनी बनलेले असतात जे नियंत्रण प्रवाहास मदत करतात. वर्कफ्लोज अनेक एजंटांचे संयोजन आणि वर्कफ्लोजची स्थिती जतन करणे (checkpointing) सक्षम करतात.

वर्तमान घटक:

कार्यकारिणी (Executors)

कार्यकारिणी इनपुट संदेश प्राप्त करतात, दिलेले कार्य पार पाडतात, आणि आउटपुट संदेश तयार करतात. हे मोठ्या कार्याकडे वर्कफ्लोला पुढे घेऊन जातं. कार्यकारिणी AI एजंट किंवा सानुकूल लॉजिक असू शकतात.

कडा (Edges)

वर्कफ्लोजमधील संदेशांचे प्रवाह ठरवण्यासाठी कडा वापरल्या जातात. यामध्ये असू शकतात:

थेट कडा - एक ते एक साधे कनेक्शन कार्यकारिणी दरम्यान:

from agent_framework import WorkflowBuilder

builder = WorkflowBuilder()
builder.add_edge(source_executor, target_executor)
builder.set_start_executor(source_executor)
workflow = builder.build()

परिस्थितीनुसार कडा - काही अटी पूर्ण झाल्यावर सक्रिय होणाऱ्या कडा. उदाहरणार्थ, जेव्हा हॉटेलच्या खोल्या उपलब्ध नसतात तेव्हा इतर पर्याय सुचविणे.

स्विच-केस कडा - निश्चित अटींवर आधारित संदेश वेगवेगळ्या कार्यकारिणीकडे पाठवतात. उदाहरणार्थ, प्रवासी ग्राहकाना प्राधान्य प्रवेश असल्यास त्यांचे कार्य वेगळी वर्कफ्लोजद्वारे हाताळले जातील.

फॅन-आऊट कडा - एक संदेश अनेक लक्ष्यांकडे पाठवणे.

फॅन-इन कडा - वेगवेगळ्या कार्यकारिणीकडून अनेक संदेश गोळा करणे आणि एका लक्ष्याला पाठवणे.

घटना (Events)

वर्कफ्लोजच्या कार्यशीलतेत चांगली निरीक्षणीयता मिळवण्यासाठी, MAFमध्ये अंतर्भूत कार्यान्वयन घटना आहेत ज्यात समाविष्ट आहे:

प्रगत MAF नमुने

वरील विभाग मायक्रोसॉफ्ट एजंट फ्रेमवर्कच्या मुख्य संकल्पना समजावतात. जसे तुम्ही अधिक जटिल एजंट तयार करत जाता, पुढील प्रगत नमुने विचारात घ्या:

कोड नमुने

मायक्रोसॉफ्ट एजंट फ्रेमवर्कसाठी कोड नमुने या संचिकेमध्ये xx-python-agent-framework आणि xx-dotnet-agent-framework फाइल्समध्ये उपलब्ध आहेत.

मायक्रोसॉफ्ट एजंट फ्रेमवर्कबाबत अजून प्रश्न आहेत का?

इतर शिकणाऱ्यांना भेटण्यासाठी, ऑफिस अवर्समध्ये सहभागी होण्यासाठी आणि तुमच्या एआय एजंट प्रश्नांची उत्तरे मिळवण्यासाठी Microsoft Foundry Discord मध्ये सहभागी व्हा.

अस्वीकरण:
हा दस्तऐवज AI अनुवाद सेवा Co-op Translator वापरून अनुवादित केला आहे. आम्ही अचूकतेसाठी प्रयत्नशील आहोत, परंतु कृपया लक्षात ठेवा की स्वयंचलित अनुवादांमध्ये चुका किंवा अचूकतेच्या त्रुटी असू शकतात. मूळ दस्तऐवज त्याच्या स्थानिक भाषेत अधिकृत स्रोत मानला जावा. महत्त्वाच्या माहितीसाठी व्यावसायिक मानवी अनुवादाची शिफारस केली जाते. या अनुवादाच्या वापराबद्दल उद्भवणाऱ्या कोणत्याही गैरसमज किंवा चुकीच्या अर्थलागीसाठी आम्ही जबाबदार नाही.

This site is open source. Improve this page.